(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110770785.0 (22)申请日 2021.07.07 (65)同一申请的已公布的文献号 申请公布号 CN 113420510 A (43)申请公布日 2021.09.21 (73)专利权人 广东电网有限责任公司 地址 510000 广东省广州市越秀区东 风东 路757号 (72)发明人 江疆　王建永　林超　 (74)专利代理 机构 广州粤高专利商标代理有限 公司 44102 专利代理师 张金福 (51)Int.Cl. G06F 30/27(2020.01) G06Q 50/06(2012.01)G06F 119/06(2020.01) (56)对比文件 CN 107291664 A,2017.10.24 CN 111680831 A,2020.09.18 WO 2015158198 A1,2015.10.2 2 US 2014285 357 A1,2014.09.25 WO 2021133253 A1,2021.07.01 审查员 赵玉华 (54)发明名称 一种基于前端感知和学习的能耗判别方法 (57)摘要 本发明提供一种基于前端感知和学习的能 耗判别方法， 将学习能力部署于前端， 提升前端 的智能学习能力， 并使 得网络层不再传输用户原 始数据， 仅传输经过特征变换后的映射数据， 不 仅极大的减 轻了网络的数据传送数据量， 而且大 大降低了用户敏感数据泄露的风险。 专门设计的 能耗特征表达方法， 独特的前端模块化架构和部 署方式， 与一般方法相比， 可独立于远端平台独 立工作， 也可与远端平台协同工作； 独立工作时 具备完整的对本地用户能耗特征的学习功能， 协 同工作时可提高学习的性能。 通过贝叶斯网络的 设计， 具备更好的鲁棒性， 当进入工作状态后， 即 使网络发生故障导致前端和远端失去连接， 前端 设备仍可独立完成智能学习任务。 权利要求书2页 说明书9页 附图1页 CN 113420510 B 2022.06.17 CN 113420510 B 1.一种基于前端感知和学习的能耗判别方法， 其特 征在于： 步骤1： 利用前端的摄像机模块连续拍摄电表侧的功率数值， 采集到图像I； 将拍摄到的 图像I经过预处理方法后， 以固定的帧数N打包成若干个批次的原始时序数据包Bi,其包含 了对用户端电表的读数时序信息； 上述预处理包括： 对图像I依次进行重采样和归一化， 其中归 一化控制参数0<ρ1<1， 且其 根据时间特征Td、 Ty进行调节； 定义Td为采样时距离当天零点时的秒数； 定义Ty为采样时距 离当年元月一日的天数； 步骤2： 构建神经网络模型， 对原始时序数据包Bi进行学习； 神经网络模型由输入层、 输 出层和隐藏层组成， 其中损失函数为： 其中y是神经网络的输出值， 表示训练样本的真实输出， N是样本数量； θ1、 θ2为独立的 控制变量； Td、 Ty和y构成了前端能耗数据的特 征， 记为Fe， 步骤3： 将前端能耗数据的特 征传输给分类判别模型， 定义： 其中， X表示某个能耗特征Fe的样本； μ2、 σ2分别表示训练样本集合中所有样本的均 值和 方差； c＝1时， 表示样本对应的时间段内能耗状况异常， c＝0时， 表示样本对应时间段内用电 能耗正常， 对于给定的样 本集， 概率P(X)为常数， 概率P(c)表 示能耗正常的样 本与能耗异常 的样本分别占全部样本的比重； 当通信网络可用时， 由通信 网络获得P(c)的全网训练值， 并将当前获得的能耗特征样 本X和c的值发送给远端云平台， 根据式子(13)计算P(X|c)的值后传回前端； 当通信网络不可用时， 使用前端预先存储的P(c)、 μ2、 σ2利用式子(13)和式子(15)计算P (X|c)的值； 步骤4： 比较P(0|X)和P(1|X)的值， 如果P(0|X)>P(1|X)， 则判定当前能耗异常， 否则能 耗正常。 2.如权利要求1所述的方法， 其特征在于： 前端的摄像机模块连续拍摄电表侧的功率数 值， 采集图像的帧率大于1帧/秒。 3.如权利要求1所述的方法， 其特 征在于： 所述采集和预处 理在前端实施。 4.如权利要求1所述的方法， 其特 征在于： 求取 Fe的步骤在前端实施。 5.如权利要求1所述的方法， 其特征在于： 当网络可用时， 计算P(X|c)的步骤在云平台 实施。 6.如权利要求1所述的方法， 其特征在于： 当网络不可用时， 计算P(X|c)的步骤在前端权　利　要　求　书 1/2 页 2 CN 113420510 B 2实施。 7.如权利要求1 ‑6任一项所述的方法， 其特 征在于： 判定步骤在前端实施。权　利　要　求　书 2/2 页 3 CN 113420510 B 3